Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind10. Dezember 2023 · Q005460

Benchmarking Robustness to Adversarial Image Obfuscations

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Auszug aus dem Abstract beschreibt einen ImageNet-basierten Benchmark, mit dem die Robustheit von Bildmodellen gegenüber absichtlichen, die ursprüngliche Aussage bewahrenden Verschleierungen untersucht werden soll. Konkrete Ergebnisse und Einzelheiten zum Benchmark enthält der Auszug nicht.

Mittel

Der bereitgestellte Bericht umfasst nur das Abstract und bibliografische Angaben zu einem Beitrag auf der NeurIPS 2023 Datasets and Benchmarks. Thema ist, dass absichtlich veränderte Bilder automatisierte Moderationsmodelle daran hindern können, regelwidrige Inhalte richtig zu erkennen.

Die Autorinnen und Autoren stellen einen neuen, auf ImageNet beruhenden Benchmark vor, mit dem sich solche Verschleierungen untersuchen lassen sollen. Laut Abstract umfasst er allgemeine und drastische Bildveränderungen, die die ursprüngliche Aussageabsicht bewahren sollen. Damit gehe er über ImageNet-C und ImageNet-C-Bar hinaus. Die Arbeit betrachtet diese Art der Bedrohung als verbreiteter als Angriffe, die durch eine Lp-Norm begrenzt sind. Der Benchmark soll Forschende dazu anregen, Modelle und Methoden zu testen und robustere Ansätze zu entwickeln.

Der Auszug enthält keine konkreten Versuchsergebnisse, Modellvergleiche oder Details zur Umsetzung und Messung des Benchmarks. Die Angaben zu dessen Zweck und Einordnung geben daher die Darstellung der Autorinnen und Autoren im Abstract wieder.

Ausführlich lesen

Der bereitgestellte Bericht besteht aus dem Abstract und bibliografischen Angaben zu einem auf der NeurIPS-Konferenz 2023 im Bereich „Datasets and Benchmarks“ veröffentlichten Beitrag. Er behandelt die Robustheit automatisierter Bildfilter und Moderationssysteme gegenüber absichtlicher Verschleierung regelwidriger Inhalte.

Die Autorinnen und Autoren beschreiben das Problem so: Menschen könnten Bilder gezielt verändern, um maschinelle Lernmodelle daran zu hindern, den ursprünglichen Inhalt korrekt zu erkennen. Als Beitrag stellen sie einen neuen Bildbenchmark auf Grundlage von ImageNet vor. Dieser soll solche Verschleierungen nachbilden und dadurch die Prüfung von Modellen unter entsprechenden Bedingungen ermöglichen. Laut Abstract unterscheidet sich der Benchmark von ImageNet-C und ImageNet-C-Bar dadurch, dass er allgemeine und drastische Veränderungen vorsieht, die zugleich die ursprüngliche Aussageabsicht des Bildes bewahren sollen. Die Arbeit ordnet diese Herausforderung als eine häufigere Art adversarieller Bedrohung ein als Angriffe, die durch eine Lp-Norm begrenzt sind.

Als Ziel nennen die Autorinnen und Autoren, Forschende dazu anzuregen, Modelle und Methoden mit dem Benchmark zu prüfen und Ansätze zu entwickeln, die gegenüber solchen Veränderungen robuster sind. Der vorliegende Text berichtet jedoch keine konkreten Versuchsergebnisse oder Modellvergleiche. Da nur das Abstract und Angaben zu Autorenschaft und Publikationsort bereitgestellt wurden, lassen sich daraus weder die genaue Konstruktion des Benchmarks noch seine einzelnen Verschleierungstypen, Messverfahren oder empirischen Befunde entnehmen. Aussagen über den Nutzen oder die Repräsentativität des Benchmarks sind daher hier als Zielsetzung beziehungsweise Einschätzung der Autorinnen und Autoren wiedergegeben, nicht als unabhängig belegte Ergebnisse.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV offen
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →